吳俊杰，陳藝文，樓國紅，張俊生

(1.太原師范學(xué)院，山西 晉中 030619； 2.太原工業(yè)學(xué)院，山西 太原 030008)

0 引言

隨著圖像技術(shù)、汽車等行業(yè)的不斷發(fā)展，圖像處理與視覺技術(shù)能夠?qū)?fù)雜目標(biāo)進(jìn)行識別，在生產(chǎn)自動化及工業(yè)產(chǎn)品的檢測與智能分類中得到越來越廣泛的應(yīng)用。在傳統(tǒng)輪轂生產(chǎn)流程中，輪轂鑄造生產(chǎn)后需要人工識別、統(tǒng)計(jì)型號并進(jìn)行分類，工作量大、效率低、成本高[1]。

目前，美國愛迪生工業(yè)系統(tǒng)中心的Behrouz N.Shabestari等人研制出了一種實(shí)時性強(qiáng)、成本低的汽車輪轂分類識別系統(tǒng)[2]。華中科技大學(xué)朱焜[3]，針對帶有較大毛刺的毛坯輪轂圖像進(jìn)行了幅窗多邊形形狀化簡來進(jìn)行特征提取。中北大學(xué)的郭智杰[4]通過提取了輪緣直徑和輪轂高度作為尺寸特征，并提取輻條數(shù)目、幅窗周長面積比等作為形狀特征，最后通過序列號匹配識別型號。但是，以上研究并未考慮輪轂的深度信息，由于剛生產(chǎn)出來的輪轂輪輻與輪輻之間可能并沒有完全的間隙，如果使用單目相機(jī)進(jìn)行測量輪輻數(shù)量時，就會出現(xiàn)測量不準(zhǔn)確，這種情況會被認(rèn)為無法識別或者誤識別。

針對以上問題，本研究提出一種基于雙目立體視覺的輪轂型號識別研究，通過改進(jìn)雙目立體視覺算法，提高三維重建的精度，減少誤差，能夠有效地提高識別準(zhǔn)確率。

1 研究方法

1.1 圖像采集

在進(jìn)行圖像采集前，由于相機(jī)結(jié)構(gòu)和相機(jī)制造工藝等因素的影響，鏡頭都存在不同程度的畸變，因此需要進(jìn)行相機(jī)標(biāo)定，獲取每個相機(jī)的內(nèi)部參數(shù)以及相機(jī)之間的位置信息。本研究采用張正友標(biāo)定法，該方法具有較高的標(biāo)定精度且魯棒性好。在搭建雙目立體視覺系統(tǒng)時，由于現(xiàn)實(shí)中不存在完全平行的兩臺相機(jī)，所以在實(shí)際操作中，將標(biāo)定好的兩臺相機(jī)進(jìn)行Bouguet極線立體校準(zhǔn)，以減少相機(jī)誤差和因相機(jī)擺放位置造成的圖像偏移。

1.2 圖像預(yù)處理

相機(jī)拍攝的圖像都具有一定的噪聲[5]，因此在使用之前需對其進(jìn)行降噪處理。本研究使用雙邊濾波進(jìn)行降噪處理，雙邊濾波在平滑圖像和降低噪聲的同時，對輪轂的邊緣信息具有很好的保留效果，有利于后續(xù)的操作，如圖1(b)所示。圖像分割能夠使目標(biāo)信息與圖像背景分為兩個部分，本文使用最大類間方差法[6]對圖像進(jìn)行分割，分割完成后使用形態(tài)學(xué)運(yùn)算[7]去除毛刺等微小結(jié)構(gòu)并填補(bǔ)孔洞。其中，開運(yùn)算可以消除細(xì)小物體圖像、平滑物體圖像的邊緣；閉運(yùn)算可以填充圖像存在的細(xì)小的空洞。運(yùn)算效果如圖1(c)所示。

圖1 原圖和運(yùn)算后圖像

1.3 SGBM算法立體匹配

SGBM算法[6]是半全局匹配算法，該算法可以進(jìn)行稠密匹配且消耗的時間少于全局匹配，實(shí)驗(yàn)的魯棒性較高。由SGBM匹配算法可得，灰度值大的表示距離相機(jī)較近，即深度值??；反之則距離相機(jī)較遠(yuǎn)。

1.4 特征提取

1) 輪轂輪廓特征

輪轂輪廓特征是十分重要的一個識別特征，本研究在提取輪轂輪廓特征時先將輪轂圖像進(jìn)行預(yù)處理，然后進(jìn)行Canny算子[8]提取特征邊緣。

2)輪輻個數(shù)

由于輪轂生產(chǎn)的輪輻基本位于距輪轂圓心的4/10半徑至7/10半徑區(qū)域內(nèi)，因此本文計(jì)算輪轂輪輻個數(shù)時首先在此區(qū)間分三個等距的同心圓環(huán)，這樣可以保證至少有一個圓環(huán)與輪輻相交。隨后將輪轂二值化圖像與圓環(huán)圖像做與運(yùn)算，統(tǒng)計(jì)各個同心圓環(huán)的輪輻個數(shù)，選取最多的輪輻個數(shù)，但是由于輪輻與輪輻之間可能存在鑄液連接，因此需計(jì)算該半徑下圓的深度值，統(tǒng)計(jì)深度值變化次數(shù)的一半即為輪輻個數(shù)，如圖2所示。

圖2 獲取輪輻個數(shù)

3) 輪轂直徑

輪轂直徑可以描述不同類型和尺寸的輪轂，具有重要作用。本研究使用最小二乘法提取擬合圓，用來獲取左右圖像大致視差。接著在左右圖像提取特征點(diǎn)進(jìn)行立體匹配，得到準(zhǔn)確視差值。本文使用的特征點(diǎn)為輪轂外圓上每隔45o選取一個特征點(diǎn)，在立體匹配過程中主要是找到兩幅圖像的特征點(diǎn)的點(diǎn)對即可。獲取對應(yīng)點(diǎn)視差值后，計(jì)算出其三維坐標(biāo)。由于提取的輪轂外圓上的特征點(diǎn)具有對稱性，因此，直徑可以直接由對稱的空間點(diǎn)的距離公式求出來。

(1)

將空間點(diǎn)帶入公式，計(jì)算直徑，并計(jì)算平均值，用于代表作為測量的直徑值。

4) 輪轂高度

輪轂的高度信息通過輪轂外圓的深度坐標(biāo)取均值得到。

1.5 優(yōu)化雙目立體視覺算法

為了提高立體匹配精度，本研究通過調(diào)整相機(jī)的基距與光軸角度來優(yōu)化雙目立體視覺算法?？臻g點(diǎn)P坐標(biāo)可以表示為：

(2)

其中，α1和α2為光軸角度與相機(jī)基距B的夾角；β1和β2分別為O1P′、O2P′與相機(jī)光軸的夾角；γ1和γ2分別為O1P′、O2P′與O1P、O1P的夾角。

經(jīng)過分析可得，空間點(diǎn)坐標(biāo)的精度受到相機(jī)基距和光軸角度的影響，主要為：

1) 基線距離B是工作距離的0.8～2.2倍時測量誤差較??；

2) 雙目立體視覺的結(jié)構(gòu)對稱時，測量系統(tǒng)的誤差比較小且精度高；

3) 當(dāng)左右相機(jī)光軸與雙目基線的夾角相同時，相機(jī)光軸與雙目基線的夾角在(30°，50°)區(qū)間時，對目標(biāo)測量比較一般；當(dāng)夾角在(15°，30°)區(qū)間時，此時對遠(yuǎn)處測量精度比較高；當(dāng)夾角在(50°，75°)區(qū)間時，此時對近處測量精度比較高。

2 輪轂識別分類

基于灰度的模板匹配算法是指提取待識別圖像的灰度值作為特征值與模板輪轂圖像進(jìn)行灰度值相關(guān)匹配。其中，NCC算法又稱歸一化互相關(guān)算法，其算法思想是根據(jù)相關(guān)系數(shù)公式計(jì)算待匹配圖像與模板圖像之間的相關(guān)系數(shù)。NCC的取值范圍為-1≤NCC≤1，當(dāng)NCC值越大時，相似性越高，最大值處即為最佳匹配處。本文采用NCC算法，將模板圖像在待識別輪轂圖像上平移，并計(jì)算NCC的值，找到最佳匹配模板圖像。

在輪轂識別分類前，需制作輪轂型號模板庫，首先選擇表面平滑的輪轂，對圖像采用雙邊濾波進(jìn)行降噪處理；使用最大類間方差法優(yōu)化輪轂圖像；使用SGBM算法進(jìn)行三維重建計(jì)算輪轂的高度和直徑等信息；將輪輻個數(shù)作為第一目錄，輪轂高度作為第二目錄；利用Canny算子獲取輪轂邊緣輪廓，并將該圖像以輪轂型號為文件名存放在對應(yīng)高度目錄下。在進(jìn)行輪轂識別分類時首先計(jì)算輪轂輻條的個數(shù)并進(jìn)行篩選第一目錄，其次計(jì)算輪轂高度篩選第二目錄，由于輪轂高度計(jì)算可能存在誤差，因此選取計(jì)算值上下兩個二級目錄，然后對兩個目錄下的輪轂?zāi)０暹M(jìn)行匹配得出輪轂型號。這種方法避免了對所有模板都進(jìn)行匹配，可以高效地獲取當(dāng)前輪轂的型號。本研究使用了5種不同型號的輪轂，每種輪轂各200個，分別進(jìn)行識別率測試，在相機(jī)基距等于工作距離，光軸角度在50°～75°之間時，輪轂表面特征信息清晰，高度信息誤差較小，此時模板匹配時間較快，平均每個識別用時約109 ms。

3 結(jié)語

本研究的研究方向是利用雙目立體視覺的方式減少輪轂深度信息獲取不全面的問題，對輪轂生產(chǎn)廠家的毛坯輪轂進(jìn)行識別，通過三維重建獲取輪轂直徑和高度信息，以及模板匹配進(jìn)行輪轂型號識別，優(yōu)化雙目立體視覺算法識別輪轂型號有較高的精確度，精確度達(dá)到了98.65%。研究結(jié)果表明該方法對輪轂型號識別具有明顯的研究和應(yīng)用價值，并且對低成本、高效率的識別輪轂型號具有一定的重要意義。